Semi-Supervised Learning for Mars Imagery Classification and Segmentation

要約

火星探査の進展に伴い、多数の火星画像データが収集され、分析する必要があります。
ただし、火星のデータの不均衡と歪みのために、既存のコンピュータビジョンモデルのパフォーマンスは不十分です。
この論文では、火星でのマシンビジョンの半教師ありフレームワークを紹介し、分類とセグメンテーションという2つの特定のタスクを解決しようとします。
対照学習は、強力な表現学習手法です。
ただし、火星のデータサンプル間で重複する情報が多すぎるため、対照的な学習と火星のデータの間に矛盾が生じます。
私たちの重要なアイデアは、注釈を使用してこの矛盾を調整し、ラベルのないデータをさらに活用してパフォーマンスを向上させることです。
分類については、ラベル付きデータの内部クラスペアを無視し、ラベルなしデータの負のペアを無視して、教師ありクラス間対照学習と教師なし類似性学習を形成することを提案します。
セグメンテーションについては、教師ありクラス間対照学習を要素ごとのモードに拡張し、ラベルのない領域の教師ありにオンライン疑似ラベルを使用します。
実験結果は、私たちの学習戦略が分類とセグメンテーションモデルを大幅に改善し、最先端のアプローチよりも優れていることを示しています。

要約(オリジナル)

With the progress of Mars exploration, numerous Mars image data are collected and need to be analyzed. However, due to the imbalance and distortion of Martian data, the performance of existing computer vision models is unsatisfactory. In this paper, we introduce a semi-supervised framework for machine vision on Mars and try to resolve two specific tasks: classification and segmentation. Contrastive learning is a powerful representation learning technique. However, there is too much information overlap between Martian data samples, leading to a contradiction between contrastive learning and Martian data. Our key idea is to reconcile this contradiction with the help of annotations and further take advantage of unlabeled data to improve performance. For classification, we propose to ignore inner-class pairs on labeled data as well as neglect negative pairs on unlabeled data, forming supervised inter-class contrastive learning and unsupervised similarity learning. For segmentation, we extend supervised inter-class contrastive learning into an element-wise mode and use online pseudo labels for supervision on unlabeled areas. Experimental results show that our learning strategies can improve the classification and segmentation models by a large margin and outperform state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google